如何在企业中有效地运用人工智能策略 今天的C-Suite的5个关键人工智能工具_人工智能 c-suite

Image for post
人工智能已经从一个时髦的词发展到了今天的现实。在机器学习系统方面拥有专业知识的公司正在寻求以人工智能为基础的技术。那些还没有机器学习文化的企业正试图制定一项战略来实施这一战略。在这种炒作和被抛在后面的恐惧中，你将如何在你的公司开始一个人工智能战略？这似乎是今天反复出现的共同问题。本文试图深入探讨企业在实施人工智能战略时所面临的一些挑战、机遇和可能性。
今日人工智能的关键挑战：3ts
在公司创建人工智能生态系统时，有很多挑战。所有这些挑战可归纳为三个主要标题：
Image for post
天才：组建一个有才华的团队是当今许多企业最关心的问题之一。
时间：另一个关键因素是时间。这是至关重要的，看看你有多快，可以获得业务成果，通过实施人工智能战略。
信托：信任是指对机器学习模型的信任，以及向监管者和利益相关者解释模型结果的能力。
以下是一些解决这些问题的建议，这些建议是多年来通过与很多H2O.ai的客户和用户交谈而制定的。
1.建立数据文化
Image for post
为了利用正在生成的大量数据并使其有意义，公司需要首先建立数据文化。在公司建立数据驱动的文化时，应该记住以下三个要点：
数据收集
要构建数据文化，首先需要主动地开始收集数据。今天的数据可以从市场营销部门、销售部门、产品监控、客户分析等多种来源获得，这从本质上构成了基础。
使数据可访问
收集到的数据需要向人民开放。这意味着数据应该是这样的格式，这样人们就可以很容易地处理它并从中获得有意义的洞察力。
找到合适的人才
数据本质上是一项团队运动。这意味着，即使公司需要专家来创建模型和算法，但他们也需要具有不同技术能力的人，他们可以在将数据传递给专家之前从数据中发现有用的洞察力。为此，我们可以培训现有的劳动力，因为他们有工作的基本领域经验。机器学习既是一种文化转型，也是一种商业转型。因此，公司不需要从头创建一个新的团队，而是可以雇佣几个数据科学家，并利用现有的经验丰富的员工来帮助他们。
Image for post
2.提出正确的问题
Image for post
要在公司中创建数据文化，必须提出正确的问题。我如何得到下一个客户，谁是下一个客户，如何优化我的供应链，这些都是当今大多数企业需要解决的问题。有时，制定业务问题可以作为实现AI的跳板。为了能够提出相关的问题，公司需要有创意性带着分析性心态和解决方案的后盾数据而不是直觉。
你要解决什么问题？
今天，人工智能和机器学习几乎在所有行业都得到了应用。一些著名的例子如下。
Image for post
在这些行业中使用人工智能的想法是为了节省时间和金钱，并获得相对于其他行业的竞争优势。如果您的公司处理上述任何一个用例或一些类似的业务问题，并且您只依赖于传统的方法，那么您肯定会被抛在后面。
确定结果
问正确的问题决定了它能产生什么样的结果。关键的想法是将公司的高层目标转化为业务问题，然后决定其结果。
衡量成功
公司还需要拿出衡量其成功的指标。不同公司对成功的定义可能不同，但最终目标是相同的，即盈利和交付价值。
3.与共同体的联系
Image for post
社区在推动任何公司的变革中起着至关重要的作用。网络研讨会和离线社区(Meetups)都有与社区联系的方式。组织会议、网络研讨会和培训班使人们能够交流知识并向其他人学习。学习从其他人那里，参与在会议上，和共享相关知识是连接社区的一种很好的方式。你在哪并不重要。世界各地都有机器学习社区，就在你的地方旁边可能有一个地方分会。
与社区建立联系的另一个重要原因是，当今大多数数据科学家和研究人员都希望与他人合作。人工智能领域的技术正以快速的速度发展，通过连接，人们想要问出所有正确的问题，与他人分享，与他们一起参与，并向每个人学习。不用说，在过去的十年里，最前沿的研究大多来自学术界和开源社区。
4.技术考虑
Image for post
决定使用哪些技术是一个重要的考虑因素，它会对您的业务产生深远的影响。
开源还是封闭源？
如果公司开始了人工智能之旅，他们可能需要决定是使用开源软件还是使用封闭源代码，或者两者兼而有之。在机器学习和人工智能领域，许多现有的开拓者定期开放他们的技术，这对其他人来说是一个很好的起点。一旦这些新的AI球员成熟，他们可能需要一个供应商来支持他们。我们还可以选择一个本身就是包的维护者的供应商，例如，对于开源的H2O-3，H2O.ai既是维护人员，也是供应商。
云还是普雷姆？
这个问题的答案取决于你想以多快的速度开始。如果您正在重新开始，而且您还没有一个现有的开发操作系统，那么在云上起步就会更容易。这将消除采购硬件、设置软件、安全、基础设施和维护问题的需要。然而，如果您已经有一个体面的DevOps基础设施到位，在前提选项可以帮助优化成本。许多公司也喜欢混合模式，无论他们是否根据自己的需求在云和on-prem之间切换，这是一个很好的实践。
数据
同样，如前所述，数据是一个临界点。理解如何生成、保存和使数据可访问至关重要。数据隐私、数据治理和数据沿袭是公司需要适当解决的一些问题。
5.对人工智能的信任
Image for post
机器学习模型不应被视为“黑匣子”。这意味着我们应该能够清楚地解释或识别他们预测背后的逻辑。能够充分描述模型的决策，具有 健全的文件，消除偏见从结果中可以看出一些重要的考虑因素，需要公司来回答，才能灌输人工智能中的信任因素。
你从这里去哪儿？
那你从这里去哪儿？通过考虑以上五个要点，并与你的团队讨论，公司可以得到一个从哪里开始他们的旅程的感觉或方向。思考并找出你目前想要解决的问题，看看如何利用机器学习和人工智能来提高你的效率。人工智能文化需要发展，就像每一项重要任务一样，需要时间、耐心和资源。